期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于结构化损失的单目深度估计算法研究
被引量：
4
1
作者
霍智勇
乔璐
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2021年第5期728-733,共6页
为了提高单目图像深度估计的精度,针对图像中几何形状无法准确预测以及边缘模糊的问题,该文提出了一种基于多尺度结构相似度和梯度匹配的单目深度估计算法,利用多尺度结构相似度损失和尺度不变梯度匹配损失组成联合结构化损失,对相对深...
为了提高单目图像深度估计的精度,针对图像中几何形状无法准确预测以及边缘模糊的问题,该文提出了一种基于多尺度结构相似度和梯度匹配的单目深度估计算法,利用多尺度结构相似度损失和尺度不变梯度匹配损失组成联合结构化损失,对相对深度点对进行排序来实现单目深度估计,实现了对图像中几何形状的准确预测,减小了边缘模糊,提高了深度预测精度。在Ibims、NYUDv2、DIODE、Sintel 4个不同类型的数据集进行了数值实验和主观评测,结果表明该算法降低了深度预测误差,有效提高了预测的准确性,并具有一定的泛化性能。
展开更多
关键词
卷积网络
深度估计
梯度匹配损失
单目图像
多尺度结构相似度损失
排序损失
下载PDF
职称材料
有监督深度学习的地震资料提高分辨率处理方法
2
作者
李斐
牛文利
+2 位作者
刘达伟
王永刚
黄研
《石油地球物理勘探》
EI
CSCD
北大核心
2024年第4期702-713,共12页
地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过...
地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过智能化手段显著提升地震资料的分辨率。目前,针对卷积神经网络提高地震资料分辨率方面的研究发展迅速,但问题的核心在于设计适合、有效的网络结构和损失函数。为此,提出一种基于强监督学习的地震资料高分辨率处理方法。该方法充分利用地下结构的空间连续性,借鉴图像超分辨率重建的思想,设计了一种生成对抗网络结构,用以提高地震资料的纵向分辨率;同时,采用L1损失和多尺度结构相似性(MS-SSIM)损失相结合的损失函数提高感知质量,以提高网络的高分辨率处理效果。合成数据和实际地震数据的应用结果显示,相较于常规损失函数,文中采用的损失函数可以显著提升智能算法的处理效果,明显改善地震数据同相轴的连续性,且高频细节信息更丰富,验证了该方法的可行性和有效性。
展开更多
关键词
有监督深度学习
多尺度结构相似性损失
L1损失
生成对抗网络
图像超分辨率重建
下载PDF
职称材料
基于增强生成器条件生成对抗网络的单幅图像去雾
被引量：
5
3
作者
赵扬
李波
《计算机应用》
CSCD
北大核心
2021年第12期3686-3691,共6页
大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条...
大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条件下的去雾效果并不理想。因此,提出一种端到端的一体化除雾网络,使用增强生成器的条件生成对抗网络(CGAN)直接恢复无雾图像。生成器端以U-Net作为基础架构,通过“整合-加强-减去”的促进策略,用一个简单有效的增强解码器,增强解码器中特征的恢复。另外,加入了多尺度结构相似性(MS-SSIM)损失函数,增强图像的边缘细节恢复。在合成数据集和真实数据集上的实验中,该模型的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于传统的暗通道先验(DCP)、一体化除雾网络(AOD-Net)、渐进式特征融合网络(PFFNet)、条件Wasserstein生成对抗网络(CWGAN)去雾模型。实验结果表明,相较于对比算法,所提网络能够恢复出更接近于地面真相的无雾图像,除雾效果更优。
展开更多
关键词
深度学习
图像去雾
生成对抗网络
增强解码器
多尺度结构相似性损失函数
下载PDF
职称材料
题名
基于结构化损失的单目深度估计算法研究
被引量：
4
1
作者
霍智勇
乔璐
机构
南京邮电大学通信与信息工程学院
出处
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2021年第5期728-733,共6页
文摘
为了提高单目图像深度估计的精度,针对图像中几何形状无法准确预测以及边缘模糊的问题,该文提出了一种基于多尺度结构相似度和梯度匹配的单目深度估计算法,利用多尺度结构相似度损失和尺度不变梯度匹配损失组成联合结构化损失,对相对深度点对进行排序来实现单目深度估计,实现了对图像中几何形状的准确预测,减小了边缘模糊,提高了深度预测精度。在Ibims、NYUDv2、DIODE、Sintel 4个不同类型的数据集进行了数值实验和主观评测,结果表明该算法降低了深度预测误差,有效提高了预测的准确性,并具有一定的泛化性能。
关键词
卷积网络
深度估计
梯度匹配损失
单目图像
多尺度结构相似度损失
排序损失
Keywords
convolutional
network
depth
estimation
gradient
matching
loss
monocular
image
multi
-
scale
structural
similarity
loss
ranking
loss
分类号
TP391 [自动化与计算机技术—计算机应用技术]
TP183 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
有监督深度学习的地震资料提高分辨率处理方法
2
作者
李斐
牛文利
刘达伟
王永刚
黄研
机构
长庆油田勘探开发研究院
西安交通大学电子与信息学部
出处
《石油地球物理勘探》
EI
CSCD
北大核心
2024年第4期702-713,共12页
基金
国家自然科学基金面上项目“基于频率空间域信号子空间优化的叠前地震资料噪声压制方法”(42374135)
中国石油集团重大专项“致密砂岩气藏提高采收率关键技术研究”(2023ZZ25)联合资助。
文摘
地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过智能化手段显著提升地震资料的分辨率。目前,针对卷积神经网络提高地震资料分辨率方面的研究发展迅速,但问题的核心在于设计适合、有效的网络结构和损失函数。为此,提出一种基于强监督学习的地震资料高分辨率处理方法。该方法充分利用地下结构的空间连续性,借鉴图像超分辨率重建的思想,设计了一种生成对抗网络结构,用以提高地震资料的纵向分辨率;同时,采用L1损失和多尺度结构相似性(MS-SSIM)损失相结合的损失函数提高感知质量,以提高网络的高分辨率处理效果。合成数据和实际地震数据的应用结果显示,相较于常规损失函数,文中采用的损失函数可以显著提升智能算法的处理效果,明显改善地震数据同相轴的连续性,且高频细节信息更丰富,验证了该方法的可行性和有效性。
关键词
有监督深度学习
多尺度结构相似性损失
L1损失
生成对抗网络
图像超分辨率重建
Keywords
supervised
deep
learning
multi
⁃
scale
structural
similarity
loss
(MS⁃SSIM)
L1
loss
function
genera⁃tive
adversarial
network
image
super⁃resolution
reconstruction
分类号
P631 [天文地球—地质矿产勘探]
下载PDF
职称材料
题名
基于增强生成器条件生成对抗网络的单幅图像去雾
被引量：
5
3
作者
赵扬
李波
机构
武汉科技大学计算机科学与技术学院
出处
《计算机应用》
CSCD
北大核心
2021年第12期3686-3691,共6页
文摘
大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条件下的去雾效果并不理想。因此,提出一种端到端的一体化除雾网络,使用增强生成器的条件生成对抗网络(CGAN)直接恢复无雾图像。生成器端以U-Net作为基础架构,通过“整合-加强-减去”的促进策略,用一个简单有效的增强解码器,增强解码器中特征的恢复。另外,加入了多尺度结构相似性(MS-SSIM)损失函数,增强图像的边缘细节恢复。在合成数据集和真实数据集上的实验中,该模型的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于传统的暗通道先验(DCP)、一体化除雾网络(AOD-Net)、渐进式特征融合网络(PFFNet)、条件Wasserstein生成对抗网络(CWGAN)去雾模型。实验结果表明,相较于对比算法,所提网络能够恢复出更接近于地面真相的无雾图像,除雾效果更优。
关键词
深度学习
图像去雾
生成对抗网络
增强解码器
多尺度结构相似性损失函数
Keywords
deep
learning
image
dehazing
Generative
Adversarial
Network(GAN)
enhanced
decoder
multi
-
scale
structural
similarity
(MS-SSIM)
loss
function
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于结构化损失的单目深度估计算法研究
霍智勇
乔璐
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2021
4
下载PDF
职称材料
2
有监督深度学习的地震资料提高分辨率处理方法
李斐
牛文利
刘达伟
王永刚
黄研
《石油地球物理勘探》
EI
CSCD
北大核心
2024
0
下载PDF
职称材料
3
基于增强生成器条件生成对抗网络的单幅图像去雾
赵扬
李波
《计算机应用》
CSCD
北大核心
2021
5
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
